Looking Around Corners: Generative Methods in Terrain Extension

要約

このペーパーでは、最初の LIDAR スキャンで遮られる地形、またはセンサーの範囲外にある地形を生成するためのモデルの初期の概要を示します。
概念の実証として、変圧器ベースのフレームワークをオーバーフィットして、交差点や角の周りの未観測の道路の形状を予測できることを示します。
トレーニング データを生成する方法と、地形拡張ネットワークをトレーニングするための独自の損失関数について説明します。
このフレームワークは、SemanticKitti [1] データセットからのデータでテストされます。
オンボード LIDAR から測定されたラベルのない点群は、元の点群スキャンで範囲外または遮蔽された予測道路点を生成するための入力データとして使用されます。
次に、入力点群と予測された地形が、地形拡張点群に連結されます。
これらの手法から得られる有望な定性的結果を示すとともに、フレームワークの全体的な成功を評価するための潜在的な定量的指標についての議論も行います。
最後に、テスト セットへの一般化を成功させるためにフレームワークに加えられる改善点について説明します。

要約(オリジナル)

In this paper, we provide an early look at our model for generating terrain that is occluded in the initial lidar scan or out of range of the sensor. As a proof of concept, we show that a transformer based framework is able to be overfit to predict the geometries of unobserved roads around intersections or corners. We discuss our method for generating training data, as well as a unique loss function for training our terrain extension network. The framework is tested on data from the SemanticKitti [1] dataset. Unlabeled point clouds measured from an onboard lidar are used as input data to generate predicted road points that are out of range or occluded in the original point-cloud scan. Then the input pointcloud and predicted terrain are concatenated to the terrain-extended pointcloud. We show promising qualitative results from these methods, as well as discussion for potential quantitative metrics to evaluate the overall success of our framework. Finally, we discuss improvements that can be made to the framework for successful generalization to test sets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google